Resumen

Mediante la exploración y visualización de datos, se evidenció ….

Introducción

Todo delito trae consigo una serie de inconvenientes o sufrimiento para una o más personas. Por esto y más siempre ha sido de interés para el humano el estudio de diversos delitos. Lo ideal sería poder predecir estos actos para así evitar los daños generados, pero lamentablemente esto no es posible debido a la gran aleatoriedad de los actos de las personas. Aunque no se puede tener certeza de que se cometerá un delito, sí se puede tratar de encontrar un patrón espacial.

Es por esto que buscamos analizar los distintos niveles de delitos por comuna de la Región Metropolitana y relacionarlos con distintas variables comunales, como son el porcentanje de hacinamiento, la cantidad de habitantes por vivienda, el índice de masculinidad poblacional, nivel de escolaridad del jefe de hogar, entre otras. Queremos responder preguntas como ¿Existirán patrones identificables de los tipos de delitos según las diversas variables comunales? ¿Hay relación entre algunos delitos y el nivel de de hacinamiento? ¿Tiene incidencia el nivel educacional del jefe de hogar? ¿Qué delitos sí y cuáles no?

Además, dado que tenemos información espacial ¿Podremos predecir futuros lugares conflictivos según la evidencia de evolución temporal? o ¿Existirán relaciones en los resultados alcanzados entre las unidades vecinales (comunas)?

Las conclusiones obtenidas podrían usarse para que cada comuna genere medidas preventivas desde su realidad, al tomar conocimiento de las variables que propician estos delitos.

Metodología

En este estudio utilizaremos los datos del Centro de Estudios y Análisis del Delito CEAD para los delitos clasificados como: Consumo de alcohol en la vía pública, ruidos molestos, abusos sexuales y otros delitos sexuales, violencia intrafamiliar contra el adulto mayor, contra la mujer y contra el niño. También, usaremos datos del CENSO 2017 provenientes de INE.

En las siguientes tablas podremos ver la descripción de nuestras variables a estudiar:

Tabla I: Descripción de variables Delitos en la región metropolitana.
Variable Tipo de variable Descripción
COMUNA Categórica Nombre de la comuna
ALCOHOL Numérica Cantidad de denuncias por delitos de consumo de alcohol en la vía pública
RUIDO Numérica Cantidad de denuncias por delitos de ruidos molestos
ABUSO Numérica Cantidad de denuncias por abusos sexuales y otros delitos sexuales
VIO.ADULT Numérica Cantidad de denuncias por delitos de violencia intrafamiliar a adulto mayor
VIO.MUJ Numérica Cantidad de denuncias por delitos de violencia intrafamiliar a mujer
VIO.NIN Numérica Cantidad de denuncias por delitos de violencia intrafamiliar a niño/a
ANIO Numérica Año de las denuncias (2010 al 2017)
Tabla II: Descripción de variables CENSO 2017 RM.
Variable Tipo de variable Descripción
Comuna Categórica Nombre de la comuna
POB Numérica Número de habitantes
VIV Numérica Número de viviendas
HACI Numérica Porcentaje de viviendas con hacinamiento
MASCU Numérica Índice de Masculinidad (hombres cada 100 mujeres)
ESC Numérica Años de escolaridad promedio del jefe o jefa de hogar

Adiionalmete para la base CENSO 2017, se generó una nueva variables ´Pob_Viv´ que resume la población y la cantidad de viviendas de la comuna.

Iniciaremos nuestra investigación realizando un análisis previo mediante visualizaciones para observar posibles patrones, asociaciones y correlaciones a través de corrplots, variogramas, correlogramas y gráficas de dispersión, además de usar diversos test de asociación espacial.

Posteriormente, construiremos modelos espacio temporales para datos de área (CARBayes), revisaremos a través de clusters algo JALDKJ y relizaremos predicciones espaciales (kriging)

Será necesario poner librerias???

Análisis y Resultados

Para tener una panorámica de la situación, observemos a través de cartogramas las variables poblacionales del CENSO 2017

De la Figura 1, podemos notar que para las variables HACI (hacinamiento) y Pov_Viv poseen una mayor condensación en el centro de las comunas de la región metropolitana. Notemos que para la variable MASCU (hombres cada 100 mujeres) existe una mayor tasa en comunas rurales.

Analicemos la existencia de autocorrelación espacial

Tabla I: Test de Moran
Variable Moran_I_statistic Expectation Variance
Hacinamiento 0.3215536 -0.0196078 0.0062550
Pob_Viv 0.3086284 -0.0196078 0.0062333
MASCU 0.2018453 -0.0196078 0.0059165
ESC 0.5088722 -0.0196078 0.0061381
Tabla II: Test de Geary
Variable Moran_I_statistic Expectation Variance
Hacinamiento 0.6564860 1 0.0096504
Pob_Viv 0.7142005 1 0.0099657
MASCU 0.6455465 1 0.0145702
ESC 0.4495425 1 0.0113497

De las tablas I y II, podemos desprender que para todas nuestras variables existe autocorrelación espacial.

Ahora en cuanto a las variables de delitos, veremos una a una si existe algún tipo de autocorrelación espacial.

Violencia hacia la Mujer

Tabla III: Test de Moran para VIO.MUJ
Anio Moran_I p_value autocorr
2010 0.0595747 0.1458961 NO
2011 0.0699195 0.1131303 NO
2012 0.0765915 0.0950411 SI
2013 0.0678272 0.1183752 NO
2014 0.0775098 0.0926427 SI
2015 0.0685166 0.1110256 NO
2016 0.0421538 0.1950433 NO
2017 0.0466795 0.1758531 NO

Podemos ver en la tabla III que solo para dos años observamos autocorrelación espacial.

Violencia hacia Niños

Tabla IV: Test de Moran para VIO.NIN
Anio Moran_I p_value autocorr
2010 0.0705530 0.1174070 NO
2011 0.0580571 0.1450933 NO
2012 0.0781032 0.0902155 SI
2013 0.0868518 0.0771651 SI
2014 0.0527745 0.1641984 NO
2015 0.0613794 0.1364900 NO
2016 0.0357699 0.2279101 NO
2017 0.0499959 0.1769099 NO

Podemos ver en la tabla IV que solo para dos años observamos autocorrelación espacial.

Violencia hacia Adultos Mayores

Tabla V: Test de Moran para VIO.ADULT
Anio Moran_I p_value autocorr
2010 0.1343204 0.0258065 SI
2011 0.2296126 0.0007910 SI
2012 0.1635166 0.0099519 SI
2013 0.2470654 0.0003723 SI
2014 0.1986394 0.0021182 SI
2015 0.1204189 0.0348804 SI
2016 0.1259954 0.0316182 SI
2017 0.1631589 0.0097908 SI

Podemos ver en la tabla V que la variable VIO.ADULT presenta autocorrelación espacial para todos los años que se observó.

Consumo de Alcohol en la vía pública

Tabla VI: Test de Moran para ALCOHOL
Anio Moran_I p_value autocorr
2010 0.1052217 0.0182566 SI
2011 0.0828977 0.0674337 SI
2012 0.0420618 0.1489845 NO
2013 0.1109669 0.0211804 SI
2014 0.1265328 0.0013710 SI
2015 0.0364833 0.1457667 NO
2016 0.0908055 0.0487144 SI
2017 0.1781791 0.0010787 SI

Podemos ver en la tabla VI que la variable ALCOHOL presenta autocorrelación espacial para 6 de los 8 años.

Abuso Sexual

Tabla VII: Test de Moran para ABUSO
Anio Moran_I p_value autocorr
2010 0.0612020 0.1477310 NO
2011 0.0954627 0.0680161 SI
2012 0.0721176 0.1155009 NO
2013 0.0719848 0.1163297 NO
2014 0.0252440 0.2752188 NO
2015 0.0576860 0.1570591 NO
2016 0.0371657 0.2273989 NO
2017 0.0278811 0.2638431 NO

Podemos ver en la tabla VII que la variable ABUSO presenta autocorrelación espacial sólo para 1 año.

Ruidos Molestos

Tabla VIII: Test de Moran para RUIDO
Anio Moran_I p_value autocorr
2010 0.0144525 0.3165029 NO
2011 -0.0439589 0.6339855 NO
2012 -0.0413161 0.6213840 NO
2013 -0.0234342 0.5199303 NO
2014 -0.0504665 0.6564777 NO
2015 -0.0016898 0.4080358 NO
2016 -0.0464047 0.6407996 NO
2017 -0.0762835 0.7708874 NO

Podemos ver en la tabla VIII que la variable RUIDO no presenta autocorrelación espacial en ninguno de los años observados.

Conclusión

Referencias